CN109272382A - 一种物流竞标方法、设备及计算机存储介质 - Google Patents

一种物流竞标方法、设备及计算机存储介质 Download PDF

Info

Publication number
CN109272382A
CN109272382A CN201811029906.0A CN201811029906A CN109272382A CN 109272382 A CN109272382 A CN 109272382A CN 201811029906 A CN201811029906 A CN 201811029906A CN 109272382 A CN109272382 A CN 109272382A
Authority
CN
China
Prior art keywords
profit margin
factor
cargo
combined effect
influence factor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811029906.0A
Other languages
English (en)
Inventor
赵惠丹
梁淇
姚正发
王珺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Sino Iot Technology Co Ltd
Original Assignee
Jiangsu Sino Iot Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Sino Iot Technology Co Ltd filed Critical Jiangsu Sino Iot Technology Co Ltd
Priority to CN201811029906.0A priority Critical patent/CN109272382A/zh
Publication of CN109272382A publication Critical patent/CN109272382A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0834—Choice of carriers
    • G06Q10/08345—Pricing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0611—Request for offers or quotes

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种物流竞标方法，包括以下步骤：(1)管理平台采集车船会员信息数据，并对所述信息数据进行数据处理，建立用于存储车船会员信息数据的车船会员数据库；所述管理平台是用于提供商品竞标的无车承运电子商务平台；(2)所述管理平台采集货方会员的信息数据，对所述信息数据进行数据处理，建立用于存储货方会员信息数据的货方会员数据库，所述货方会员数据库中的货物因素包括货主信息、线路因素、季节因素、货物类型以及供需关系；(3)执行竞标算法，依据车船会员根据自身车船提供的用车价格以及货物影响因素，得到基准利润率，依据所述基准利润率得到的参考竞标价格。

Description

一种物流竞标方法、设备及计算机存储介质
技术领域
本发明涉及互联网通信技术领域，具体涉及一种物流竞标方法、设备及计算机存储 介质。
背景技术
随着互联网技术的不断发展，电子商务平台不断兴起。目前越来越多的电子商务平 台为用户提供不同种类的商品，而且运营方式更加丰富，无车承运是新兴的物流领域业态，要求完成该业务的企业或平台采集运输全过程的信息，并承担全程的风险责任。目 前无车承运平台普遍需要完成平台货主和车主的交易撮合或匹配任务。
目前无车承运企业或平台所服务的货主用户开始分化为制造企业或消费企业等物 流服务的需求直接发起方和物流企业或货运代理等物流服务的需求分拨方。
由于企业规模和管理水平的不同，上述两类用户的投标形式及流程有显著的不同, 需求直接发起方所需求的投标多针对较大规模的发运需求，如同一线路多次运输，因此 对价格准确性的要求更高，线下的确认周期更长，而需求分拨方所需求的投标多针对单趟发运需求，价格的不确定性更高，线下的确认周期较短。但目前智能竞标的准确率较 低，智能化有待提高。
发明内容
发明目的：为了克服现有技术的不足，本发明提供一种物流竞标方法、设备及计算机存储介质，主要面向制造企业或消费企业等物流需求方的投标业务流程，实现无车承 运企业或平台的智能竞标，提高竞标价格的准确性。
技术内容：本发明提供的物流竞标方法，包括以下步骤：
(1)管理平台根据批量历史数据，确定与承运货物的竞标价格相关的影响因素，所述管理平台是用于提供商品竞标的无车承运电子商务平台；
(2)执行竞标算法
输入：车船会员提供的用车价格pvehicle以及所述影响因素的集合fmulti；
(21)根据单一影响因素Singlef和组合影响因素Groupf，对一段历史时期的历史数据进行分类，确定各单一影响因素和组合影响因素下的历史数据量、基础预测利润率 以及实际利润率；
(22)采用皮尔逊相关系数分别计算所述基础预测利润率与实际利润率的相关性，得到最相关的单一影响因素或所述组合影响因素，及其对应的平均基础预测利润率rcorr；
(23)根据该段历史数据内，在最相关的单一影响因素或组合影响因素对应货主的中标率，得到满足所述中标率的货主基本利润率rcargo，一家物流公司或物流企业可以服 务多家货主企业或货主个人，因此，根据物流公司整体中标率，得到满足所述中标率的 企业基本利润率rcompany，根据货主基本利润率rcargo和企业基本利润率rcompany对所述平均 基础预测利润率rcorr进行校验，得到校验预测利润率rcheck。
输出：匹配程度最高的单一影响因素或组合影响因素对应的最终预测基准利润率rfinal。
(3)依据所述最终预测基准利润率rfinal得到各个货主待承运货物的参考竞标价格。
优选的，所述影响因素的集合fmulti：
fmulti：{Singlef,Groupf}；
Singlef：{CargoInf,RouteFac,SeasonFac,CargoCla,DemandSup}；
其中，CargoInf,RouteFac,SeasonFac,CargoCla,DemandSup分别代表货主信息、线路 因素、季节因素、货物类型以及供需关系；
优选的，所述步骤(21)中，组合影响因素集合Groupf，包括所述货主信息CargoInf为必选单一影响因素，得到24个组合影响因素，表示为：
Groupf:{(CargoInf,RouteFac),...,(CargoInf,RouteFac,SeasonFac,CargoCla,DemandSup)}。
优选的，所述步骤(21)中，基础预测利润率确定方法为：根据每条历史数据的实际利润率分别计算单一影响因素中包含相同数据的基础预测利润率；根据每条历史数据的实际利润率分别计算组合影响因素中包含相同数据的基础预测利润率。
优选的，所述步骤(22)中，平均基础预测利润率rcorr表示为：
其中，分别为最相关的单一影响因素或所述组合影响因素下的各历史数 据量对应的基础预测利润率，Tbest为最相关的单一影响因素或所述组合影响因素下的历 史数据总量。
优选的，所述步骤(23)中，校验预测利润率rcheck表示为：
其中，rcargo为货主基本利润率，rcompany为企业基本利润率，rcorr为平均基础预测利润率。
优选的，所述步骤(23)中，确定所述校验预测利润率rcheck的精度acc，包括：
(231)统计最相关的单一影响因素或所述组合影响因素的历史数据总量T1；
(232)确定所述校验预测利润率rcheck和其对应的实际利润率的误差；
(233)统计所述误差在[-α,α]内的历史数据量T2，所述α根据数据量和经验自主设置；
(234)所述校验预测利润率rcheck的精度判断所述acc是否满足预设的精度范围，若满足，
则rcheck＝rfinal，其对应的单一影响因素或组合因素为最优指标，
否则，
返回步骤(22)，重新计算其他单一影响因素或组合因素。
优选的，所述步骤(234)，预设的精度范围包括：
若最相关的单一影响因素或所述组合影响因素的历史数据总量T1≥5万，所述校验 预测利润率rcheck要求的最低精度值为95％；若T1∈[1万，5万)，所述校验预测利润率rcheck的 最低精度值为90％；T1<1万，所述校验预测利润率rcheck的最低精度值为80％。
为了实现上述目的，本发明还提供了物流竞标设备，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于按照所述存储器中存储的计算机程序，执行：
(1)管理平台根据批量历史数据，确定与承运货物的竞标价格相关的影响因素，所述管理平台是用于提供商品竞标的无车承运电子商务平台；
(2)执行竞标算法
输入：车船会员提供的用车价格pvehicle以及所述影响因素的集合fmulti；
(21)根据单一影响因素Singlef和组合影响因素Groupf，对一段历史时期的历史数据进行分类，确定各单一影响因素和组合影响因素下的历史数据量、基础预测利润率 以及实际利润率；
(22)采用皮尔逊相关系数分别计算所述基础预测利润率与实际利润率的相关性，得到最相关的单一影响因素或所述组合影响因素，及其对应的平均基础预测利润率rcorr；
(23)根据该段历史数据内，在最相关的单一影响因素或组合影响因素对应货主的中标率，得到满足所述中标率的货主基本利润率rcargo，根据物流公司整体中标率，得到 满足所述中标率的企业基本利润率rcompany，根据货主基本利润率rcargo和企业基本利润率rcompany对所述平均基础预测利润率rcorr进行校验，得到校验预测利润率rcheck；
输出：匹配程度最高的单一影响因素或组合影响因素对应的最终预测基准利润率rfinal。
(3)依据所述最终预测基准利润率rfinal得到各个货主待承运货物的参考竞标价格。
为了实现上述目的，本发明还公开一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时，实现上述物流竞标方法的每个步骤。
有益效果：本发明通过平台内历史客户数据和资源数据的预测和洞察，给予平台操 作者更智能的竞价推荐机制，提高了竞价的准确性，增加中标可能性。
附图说明
图1为本发明一实施例所述的物流竞标方法流程图；
图2为本发明一实施例所述的竞标算法实现流程图；
图3为本发明所述的组合影响因素为客户A和线路因素的皮尔逊相关系数模拟曲线 图；
图4为本发明所述的组合影响因素为客户A和季节因素的皮尔逊相关系数模拟曲线 图；
图5为本发明所述的组合影响因素为客户A和供需关系的皮尔逊相关系数模拟曲线 图；
图6为发明所述的组合影响因素为客户A、线路因素和供需关系的皮尔逊相关系数模拟曲线图；
图7为本发明所述的组合影响因素为客户A、线路因素、供需关系和货物类型的皮尔逊相关系数模拟曲线图；
图8为本发明所述的中标率与利润率关系点拟合曲线图；
图9为本发明实施例提出的物流竞标设备结构组成示意图。
具体实施方式
首先，如图1所示，本发明提供一种物流竞标方法，包括：
步骤1、用于提供商品竞标的无车承运电子商务平台，根据批量历史数据确定与承运货物的竞标价格相关的影响因素。历史数据主要运单，每一票货物在承运前，客户单 位提供的承运业务类信息如起始地详情，目的地详情，承运时间要求，装货地数量及操 作要求，卸货地数量及操作要求，货物类别属性及防护要求，货物配载要求等；连同客 户单位以书面或其他形式声明，在该客户单位集团相对通用的承运相关类信息如单据管 理要求，结算周期及方式等数据进行采集和初步处理。
数据处理包括对历史数据清洗和校准，数据清洗包含剔除无效业务数据，如订单终 结、时间异常，和剔除冗余数据，如客户单位改名造成的数据重复两大块；校准主要涉及发货地址/送货地址的校准，人为录入导致的地址错误或不清晰、历史客户单位对账回款周期维护、新客户单位对账回款周期更新、特殊货物运输要求维护等。
步骤2、如图2所示，执行竞标算法
输入：车船会员提供的用车价格pvehicle以及影响因素的集合fmulti；
(21)根据单一影响因素Singlef和组合影响因素Groupf，对一段历史时期的历史数据进行分类，确定各单一影响因素和组合影响因素下的历史数据量、基础预测利润率 以及实际利润率；
影响因素主要为货物类型、季节因素、线路因素，如长短途、是否偏远地区、供需关系，如运输常用车型、车长和匹配难易程度；根据历史业务数据，如起始地、目的地、 车型车长、货物类别、承运季节等，对不同类型、不同线路进行分类汇总。
单一影响因素是指只考虑影响因素之一，如：只考虑“供需关系”或“线路因素” 等单一因素，进一步确定该因素下的历史数据量、基础预测利润率等指标，用集合表示 如下：
fmulti：{Singlef,Groupf}
Singlef：{CargoInf,RouteFac,SeasonFac,CargoCla,DemandSup}
其中，CargoInf,RouteFac,SeasonFac,CargoCla,DemandSup分别代表货主信息、线路 因素、季节因素、货物类型以及供需关系。由于实际承运中只考虑一种指标的极少，本发明不考虑此种情况，只考虑组合因素。
组合因素是指将单一影响因素进行组合，如：“CargoInf和RouteFac”、“CargoInf和SeasonFac”等，只考虑该组合下的历史数据量、基础预测利润率等指标，组合影响因 素集合Groupf，由于货主信息是每单必须有的指标，因此将货主信息CargoInf设为为 必选影响因素，得可以24个组合影响因素，表示为：
Groupf:{(CargoInf,RouteFac),...,(CargoInf,RouteFac,SeasonFac,CargoCla,DemandSup)}。
对一段时期的历史数据根据单一影响因素和组合影响因素进行分类，统计各个影响 因素下的历史数据量，及每个历史数据基础预测利润率rbase、实际利润率rreality。
例1：运单中有多条有效历史数据：
(1)货主甲欲从A地运送一批棉花到B地，要求8月份承运。
(2)货主甲欲从B地运送一批钢材到C地，需用5m的车。
(3)货主乙欲从D地运送2吨水果到E地，尽快运送；
(4)货主甲欲从D地运送一吨橙子到E地，从E到F为长途；
(5)货主乙欲从B地运送10吨钢材到C地；
(6)货主甲欲从B地运送1吨衣服到C地，冬天承运。
表1、影响因素及对应数据：
ID CargoInf RouteFac CargoCla SeasonFa DemandSup r<sub>reality</sub>
1 甲 A-B 日用品 是 否 r″<sub>1</sub>
2 甲 B-C 金属 否 是 r<sub>2</sub>
3 乙 D-E 水果 否 否 r″<sub>3</sub>
4 甲 D-E 水果 否 是 r″<sub>4</sub>
5 乙 B-C 金属 否 否 r″<sub>5</sub>
6 甲 B-C 日用品 是 否 r″<sub>6</sub>
根据每条历史数据的实际利润率分别计算单一影响因素中包含相同数据的基础预 测利润率；根据每条历史数据的实际利润率分别计算组合影响因素中包含相同数据的基 础预测利润率，根据影响因素进行分类汇总。
由于即便相同影响因素下也对应不同数据，rbase需分别计算，根据该影响因素相同 数据下对应的实际利润率之和除以该影响因素下相同数据的总量，根据得到的平均利润 率来表示该影响因素相同数据的基础预测利润率，从例1可得到：
表2、单一影响因素下的预测基准利润率
组合影响因素的预测方法如单一影响因素，在此不再赘述。
(22)采用皮尔逊相关系数分别计算基础预测利润率与实际利润率的相关性，得到最相关的单一影响因素或组合影响因素，及其对应的平均基础预测利润率rcorr；
根据每个影响因素对应的基础预测利润率以及实际利润率，采用SPSS软件进行Pearson相关性检验，如图3到图7所示，本发明利用平台中的历史数据模拟相关曲线， 其中，横坐标为预测利润率，竖坐标为实际利润率，以单一影响因素和组合影响因素下 各个数据对应的基础预测利润率和实际利润率作为输入得到，图中并没有完全列出模 拟的所有数据，但从模拟实验课得到在该些历史数据中相关性最大时某货主对应的组 合影响因素。
图3为本发明所述的组合影响因素为客户A和线路因素的皮尔逊相关系数模拟曲线 图，得到Pearson相关值为0.614；图4为本发明所述的组合影响因素为客户A和季节 因素的皮尔逊相关系数模拟曲线图，得到Pearson相关值为0.078；图5为本发明所述 的组合影响因素为客户A和供需关系的皮尔逊相关系数模拟曲线图，得到Pearson相关 值为0.232；图6为发明所述的组合影响因素为客户A、线路因素和供需关系的皮尔逊 相关系数模拟曲线图，Pearson的相关值为0.678，图7为本发明所述的组合影响因素为 客户A、线路因素、供需关系和货物类型的皮尔逊相关系数模拟曲线图，Pearson的相 关值为0.681。
该因素对应的pearson系数值最大，皮尔逊相关系数公式：
X为某组合影响因素的预测利润值，Y为对应的实际利润值，计算出不同因素影响下的预测利润值与实际利润值的皮尔逊系数来判断对应单一因素对利润点的影响大小。计算该条件下的平均基础预测利润率。
平均基础预测利润率rcorr表示为：
其中，分别为最相关组合影响因素下的各历史数据量对应的基础预测利 润率，Tbest为最相关的组合影响因素下的历史数据总量。
(23)根据该段历史数据内，在最相关的组合影响因素对应货主的中标率，得到满足中标率的货主基本利润率rcargo，根据物流公司的中标率，得到满足中标率的企业基本 利润率rcompany，根据货主基本利润率rcargo和企业基本利润率rcompany对平均基础预测利润 率rcorr进行校验，得到校验预测利润率rcheck。对于货主或物流公司基于中标率的基本利 润率求解方法为：
(1)针对货主或物流公司的每条询价单是否中标以及利润率情况进行分类汇总，将利润率细分为n个区间，可分为。
(2)分别对n个区间的利润率求出平均中标率，将对应关系数据点绘制到excel中，利用线性规划对二者进行曲线拟合，得到的公式即为该货主或公司下的利润率和中 标率对应关系。
(3)再根据实际中标率的要求值，对应求解得到基本利润率。
如图8，图中y为实际中标率，X为利润率(X＞0)，根据曲线拟合公式即可求解 对应中标率下的基本利润率。
如：货主甲在该时间内的中标率为80％，满足此中标率最低的货主基本利润率为1.08，货主甲所在的公司该时间内的中标率为60％，对应的企业基本利润率为1.1，则 校验后的校验预测利润率为1.08/1.1*平均基础预测利润率。
校验预测利润率rcheck表示为：
其中，rcargo为货主基本利润率，rcompany为企业基本利润率，rcorr为平均基础预测利润率。
输出：匹配程度最高的单一影响因素或组合影响因素对应的最终预测基准利润率rfinal。
(3)依据所述最终预测基准利润率rfinal得到待承运货物的参考竞标价格p。此时rfinal＝rcheck，p＝pvehicle*rfinal。
为了使得智能竞价更加准确，根据实际运输遇到的情况，本发明提供另外一种实施 例，包括：
如图9所示，上述步骤(23)中后，另外需要确定校验预测利润率rcheck的精度acc，包括：
(241)首先统计最相关的组合影响因素的历史数据总量T1；
(242)确定预测利润率rcheck和其对应的实际利润率的误差；
(243)统计所述误差在[-α,α]内的历史数据量T2，所述α根据数据量和经验自主设置，此处优选0.1；
(244)校验预测利润率rcheck的精度判断acc是否满足预设的精度范围，若满足，则rcheck＝rfinal，其对应的单一影响因素或组合因素为最优指标。
否则，返回步骤(22)，重新计算其他组合影响因素。
预设的精度范围包括：若最相关的组合影响因素的历史数据总量T1≥5万，校验预测利润率rcheck要求的最低精度值为95％；若T1∈[1万，5万)，校验预测利润率rcheck的最低精度值为90％；T1&lt;1万，校验预测利润率rcheck的最低精度值为80％。
为了实现上述目的，本发明还提供了物流竞标设备，如图9所示，包括存储器和处理器，存储器用于存储计算机程序，所述处理器用于按照存储器中存储的计算机程序， 执行：
(1)管理平台根据批量历史数据，确定与承运货物的竞标价格相关的影响因素，所述管理平台是用于提供商品竞标的无车承运电子商务平台；
(2)执行竞标算法
输入：车船会员提供的用车价格pvehicle以及所述影响因素的集合fmulti；
(21)根据单一影响因素Singlef和组合影响因素Groupf，对一段历史时期的历史数据进行分类，确定各单一影响因素和组合影响因素下的历史数据量、基础预测利润率 以及实际利润率；
(22)采用皮尔逊相关系数分别计算所述基础预测利润率与实际利润率的相关性，得到最相关的单一影响因素或所述组合影响因素，及其对应的平均基础预测利润率rcorr；
(23)根据该段历史数据内，在最相关的组合影响因素对应货主的中标率，得到满足所述中标率的货主基本利润率rcargo，根据该货主所在企业的中标率，得到满足所述中 标率的企业基本利润率rcompany，根据货主基本利润率rcargo和企业基本利润率rcompany对所 述平均基础预测利润率rcorr进行校验，得到校验预测利润率rcheck；
输出：匹配程度最高的组合影响因素对应的最终预测基准利润率rfinal。
(3)依据所述最终预测基准利润率rfinal得到各个货主待承运货物的参考竞标价格。
为了实现上述目的，本发明还公开一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时，实现上述物流竞标方法的每个步骤。

Claims (10)

1.一种物流竞标方法，其特征在于，包括以下步骤：
(1)管理平台根据批量历史数据，确定与承运货物的竞标价格相关的影响因素，所述管理平台是用于提供商品竞标的无车承运电子商务平台；
(2)执行竞标算法
输入：车船会员提供的用车价格pvehicle以及所述影响因素的集合fmulti；
(21)根据单一影响因素Singlef和组合影响因素Groupf，对一段历史时期的历史数据进行分类，确定各单一影响因素和组合影响因素下的历史数据量、基础预测利润率以及实际利润率；
(22)采用皮尔逊相关系数分别计算所述基础预测利润率与实际利润率的相关性，得到最相关的单一影响因素或所述组合影响因素，及其对应的平均基础预测利润率rcorr；
(23)根据该段历史数据内，在最相关的单一影响因素或组合影响因素对应货主的中标率，得到满足所述中标率的货主基本利润率rcargo，根据物流公司整体中标率，得到满足所述中标率的企业基本利润率rcompany，根据货主基本利润率rcargo和企业基本利润率rcompany对所述平均基础预测利润率rcorr进行校验，得到校验预测利润率rcheck；
输出：匹配程度最高的单一影响因素或组合影响因素对应的最终预测基准利润率rfinal。
(3)依据所述最终预测基准利润率rfinal得到各个货主待承运货物的参考竞标价格。
2.根据权利要求1所述的物流竞标方法，其特征在于，所述影响因素的集合fmulti：
fmulti：{Singlef,Groupf}；
Singlef：{CargoInf,RouteFac,SeasonFac,CargoCla,DemandSup}；
其中，CargoInf,RouteFac,SeasonFac,CargoCla,DemandSup分别代表货主信息、线路因素、季节因素、货物类型以及供需关系。
3.根据权利要求1所述的物流竞标方法，其特征在于，所述步骤(21)中，组合影响因素集合Groupf包括：所述货主信息CargoInf为必选单一影响因素，得到24个组合影响因素，表示为：
Groupf:{(CargoInf,RouteFac),...,(CargoInf,RouteFac,SeasonFac,CargoCla,DemandSup)}。
4.根据权利要求1所述的物流竞标方法，其特征在于，所述步骤(21)中，基础预测利润率确定方法为：
根据每条历史数据的实际利润率分别计算单一影响因素中包含相同数据的基础预测利润率；根据每条历史数据的实际利润率分别计算组合影响因素中包含相同数据的基础预测利润率。
5.根据权利要求1所述的物流竞标方法，其特征在于，所述步骤(22)中，平均基础预测利润率rcorr表示为：
其中，分别为最相关的单一影响因素或所述组合影响因素下的各历史数据量对应的基础预测利润率，Tbest为最相关的单一影响因素或所述组合影响因素下的历史数据总量。
6.根据权利要求1所述的物流竞标方法，其特征在于，所述步骤(23)中，校验预测利润率rcheck表示为：
其中，rcargo为货主基本利润率，rcompany为企业基本利润率，rcorr为平均基础预测利润率。
7.根据权利要求1所述的物流竞标方法，其特征在于，所述步骤(23)中，确定所述校验预测利润率rcheck的精度acc，包括：
(231)统计最相关的单一影响因素或所述组合影响因素的历史数据总量T1；
(232)确定所述校验预测利润率rcheck和其对应的实际利润率的误差；
(233)统计所述误差在[-α,α]内的历史数据量T2，所述α根据数据量和经验自主设置；
(234)所述校验预测利润率rcheck的精度判断所述acc是否满足预设的精度范围，若满足，
则rcheck＝rfinal，其对应的单一影响因素或组合影响因素为最优指标，
否则，
返回步骤(22)，重新计算其他单一影响因素或组合影响因素。
8.根据权利要求6所述的物流竞标方法，其特征在于，所述步骤(234)，预设的精度范围包括：
若最相关的单一影响因素或所述组合影响因素的历史数据总量T1≥5万，所述校验预测利润率rcheck要求的最低精度值为95％；若T1∈[1万，5万)，所述校验预测利润率rcheck的最低精度值为90％；T1&lt;1万，所述校验预测利润率rcheck的最低精度值为80％。
9.一种物流竞标设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于按照所述存储器中存储的计算机程序，执行：(1)管理平台根据批量历史数据，确定与承运货物的竞标价格相关的影响因素，所述管理平台是用于提供商品竞标的无车承运电子商务平台；
(2)执行竞标算法
输入：车船会员提供的用车价格pvehicle以及所述影响因素的集合fmulti；
(21)根据单一影响因素Singlef和组合影响因素Groupf，对一段历史时期的历史数据进行分类，确定各单一影响因素和组合影响因素下的历史数据量、基础预测利润率以及实际利润率；
(22)采用皮尔逊相关系数分别计算所述基础预测利润率与实际利润率的相关性，得到最相关的单一影响因素或所述组合影响因素，及其对应的平均基础预测利润率rcorr；
(23)根据该段历史数据内，在最相关的单一影响因素或组合影响因素对应货主的中标率，得到满足所述中标率的货主基本利润率rcargo，根据物流公司整体中标率，得到满足所述中标率的企业基本利润率rcompany，根据货主基本利润率rcargo和企业基本利润率rcompany对所述平均基础预测利润率rcorr进行校验，得到校验预测利润率rcheck；
输出：匹配程度最高的单一影响因素或组合影响因素对应的最终预测基准利润率rfinal。
(3)依据所述最终预测基准利润率rfinal得到各个货主待承运货物的参考竞标价格。
10.一种计算机存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时，实现权利要求1至8任一项所述的物流竞标方法的步骤。
CN201811029906.0A 2018-09-05 2018-09-05 一种物流竞标方法、设备及计算机存储介质 Pending CN109272382A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811029906.0A CN109272382A (zh) 2018-09-05 2018-09-05 一种物流竞标方法、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811029906.0A CN109272382A (zh) 2018-09-05 2018-09-05 一种物流竞标方法、设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN109272382A true CN109272382A (zh) 2019-01-25

Family

ID=65188440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811029906.0A Pending CN109272382A (zh) 2018-09-05 2018-09-05 一种物流竞标方法、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN109272382A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202022106989U1 (de) 2022-12-14 2023-01-12 Jalawi Sulaiman Alshudukhi Auf künstlicher Intelligenz und Blockchain basierendes System zur Verwaltung von E-Commerce Big Data für die logistische Lieferkette

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202022106989U1 (de) 2022-12-14 2023-01-12 Jalawi Sulaiman Alshudukhi Auf künstlicher Intelligenz und Blockchain basierendes System zur Verwaltung von E-Commerce Big Data für die logistische Lieferkette

Similar Documents

Publication Publication Date Title
CN110392899B (zh) 用于模型生成的动态特征选择
Shen A profit-maximizing supply chain network design model with demand choice flexibility
WO2019089146A1 (en) Demand forecasting using weighted mixed machine learning models
Yadav et al. Retailer's optimal policy under inflation in fuzzy environment with trade credit
CN109376942A (zh) 订单处理方法、存储介质和装置
CN102272758A (zh) 因果驱动和市场响应弹性或提升因素的自动规范、估计和发现
US20090216576A1 (en) Method for constrained business plan optimization based on attributes
WO2021216167A1 (en) Auto clustering prediction models
Zhu et al. Bullwhip effect in the oil and gas supply chain: A multiple-case study
US20120232952A1 (en) Inventory price optimization
Parsa et al. Quantifying the benefits of continuous replenishment program for partner evaluation
Zhang et al. Multi-period multi-product acquisition planning with uncertain demands and supplier quantity discounts
CN109523152A (zh) 订单处理方法、存储介质和装置
EP3400571A1 (en) Consumer decision tree generation system
WO2009105100A1 (en) A method for constrained business plan optimization based on attributes
US20120271741A1 (en) Inventory price optimization with key price list
Kaur et al. Environmentally sustainable stochastic procurement model
US20230419184A1 (en) Causal Inference Machine Learning with Statistical Background Subtraction
WO2022055615A1 (en) Short life cycle sales curve estimation
CN109272382A (zh) 一种物流竞标方法、设备及计算机存储介质
Kong et al. Demand-predictive storage assignment mechanism for flower auction centers
CN110490664B (zh) 一种用于信息系统的可配置的产品最低限价控制方法
RU2739455C1 (ru) Автоматизированное устройство для оценки присутствия товара в остатках
CN111047354A (zh) 一种分时定价的实现方法、装置、电子设备和存储介质
Kharvi et al. Ordering policies under currency risk sharing agreements: a Markov chain approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190125